AI4Cyber

AI4Cyber è il centro di competenza di Tinexta Defence dedicato alla ricerca e applicazione dell’Intelligenza Artificiale in ambito cybersecurity.

Al suo interno, specialisti con competenze eterogenee collaborano per affrontare le sfide poste dal panorama delle minacce informatiche, supportano i clienti nell’adozione dell’AI nei propri processi aziendali e condividono e le attività di ricerca con la comunità tecnico-scientifica.

Il team cura l’intero ciclo di vita dei sistemi basati su AI: dalla raccolta e pre-processing dei dati, all’addestramento e validazione dei modelli, fino al deployment in produzione e al monitoraggio continuo delle performance.

Le soluzioni proposte si fondano su tecnologie avanzate di Machine Learning, Deep Learning e Large Language Models, e possono essere personalizzate in base alle specifiche esigenze del cliente.

L’AI Team è costantemente impegnato in attività di ricerca e sperimentazione, con un’attenzione particolare agli aspetti etici, alla trasparenza (XAI – Explainable AI) e alla tutela della privacy, con l’obiettivo di proporre soluzioni innovative che siano in linea con i principi di equità, inclusività e rispetto dei diritti fondamentali.

Aree di Ricerca e Sviluppo

Il centro AI4Cyber si concentra sullo sviluppo di soluzioni intelligenti per potenziare le capacità di difesa e anticipare l’evoluzione delle minacce. La nostra ricerca mira a trasformare dati grezzi di sicurezza in intelligence azionabile, automatizzando i processi di analisi e decisione per rendere la cybersecurity più proattiva, predittiva e resiliente.

Attività

Threat Detection & Anomaly Detection: sviluppo di modelli di Machine Learning e Deep Learning per l’identificazione in tempo reale di minacce note, zero-day e comportamenti anomali nel traffico di rete e sugli endpoint.
User and Entity Behavior Analytics (UEBA): creazione di baseline del comportamento di utenti e sistemi per rilevare deviazioni significative che possano indicare un attacco in corso o una minaccia interna.
Automazione della Risposta agli Incidenti: progettazione di sistemi intelligenti (SOAR potenziati) in grado di orchestrare e automatizzare le azioni di contenimento, eradicazione e ripristino a seguito di un incidente.
Natural Language Processing (NLP) per la Threat Intelligence: analisi automatica di grandi volumi di dati non strutturati (report di intelligence, articoli, forum underground) per estrarre Indicatori di Compromissione (IoC) e Tattiche, Tecniche e Procedure (TTP).
Vulnerability Assessment Predittivo: utilizzo di modelli predittivi per analizzare le vulnerabilità e prioritizzare gli interventi di patching in base al rischio effettivo e alla probabilità di sfruttamento.
Analisi e Difesa da Adversarial AI: ricerca sulle tecniche con cui gli attaccanti possono eludere o ingannare i modelli di AI (es. evasion, poisoning) e sviluppo di contromisure per rendere i sistemi più robusti.
AI per la Digital Forensics: sviluppo di strumenti che assistono gli analisti forensi nell'analisi di grandi moli di dati, nell'identificazione di artefatti rilevanti e nella ricostruzione di eventi.

Strumenti e Tecnologie

Piattaforme di ML/DL: TensorFlow, PyTorch, Keras, Scikit-learn per la costruzione e l’addestramento di modelli.
Librerie di Analisi Dati: Pandas, NumPy, e Dask per la manipolazione e l’analisi di dataset su larga scala.
Piattaforme Big Data: Apache Spark e ecosistema Hadoop per l’elaborazione di flussi di dati massivi provenienti da sistemi SIEM e sensori di rete.
Framework per LLM: sviluppo e fine-tuning di modelli linguistici (Large Language Models) per l'analisi del codice, la generazione di report e l'assistenza agli analisti tramite interfacce conversazionali.
Strumenti di Network Analysis: integrazione con Zeek, Suricata e altre sonde di rete per la raccolta di dati di telemetria.
Explainable AI (XAI) Frameworks: utilizzo di librerie come SHAP e LIME per interpretare le decisioni dei modelli e garantirne la trasparenza.
Infrastruttura di Calcolo: Cluster di GPU on-premise e utilizzo di piattaforme cloud (AWS, Azure, GCP) per l’addestramento di modelli complessi.